應(yīng)該如何形容 Prompt 工程呢？對于一個(gè)最開始使用 ChatGPT 的新人小白，面對據(jù)說參數(shù)量千億萬億的龐然巨獸，Prompt 神秘的似乎像某種獻(xiàn)祭：我扔進(jìn)去幾句話，等待聊天窗口后的「智慧生命」給我以神諭。

然而，上手 Prompt 之后，操縱 ChatGPT 似乎更加類似于指揮家指揮管弦樂隊(duì)，面對我們要解決的問題，合理的編排與組織文字，最后演化成類似指揮家的身體語言，控制大模型這樣一個(gè)「精密儀器」執(zhí)行復(fù)雜任務(wù)。

那么如何快速上手 Prompt 工程將 ChatGPT 不再視為難以操縱的龐然大物而是得心應(yīng)手的趁手兵刃呢？

就在近日，OpenAI 官方發(fā)布了 Prompt 工程指南，講述了快速上手 ChatGPT Prompt 的種種「屠龍術(shù)」，不僅在理論層面對 Prompt 分類總結(jié)，還提供了實(shí)際的 Prompt 用例，幫助大家來學(xué)習(xí)如何有效的與 ChatGPT 交互，一起來看看吧！

宏觀來看，OpenAI 給出了可以提升 ChatGPT 回復(fù)效果的「六大秘籍」，分別是：

• 清晰細(xì)致
• 提供參考
• 任務(wù)拆分
• 讓它思考
• 外部工具
• 系統(tǒng)測試

清晰細(xì)致

讓我們先來看第一條策略：清晰細(xì)致。

如果說的大白話一點(diǎn)，就是要把你需要解決的問題說清楚講明白。要想從 ChatGPT 那里獲得良好的回復(fù)，那么 Prompt 本身必須結(jié)合精確性、清晰度與任務(wù)描述的細(xì)致程度于一身，為了避免歧義而「把話說清楚」是讓 ChatGPT 高效工作的重中之重。

舉個(gè)例子，假設(shè)我們想了解「2021年的時(shí)候誰是墨西哥的總統(tǒng)」，甚至更進(jìn)一步還想知道他/她是否目前仍然是總統(tǒng)，如果我們?nèi)咏o ChatGPT 一句「誰是總統(tǒng)？」，別說 ChatGPT，就算是政治老師也會一臉懵逼，更好的 Prompt 應(yīng)該是：「2021年誰是墨西哥的總統(tǒng)，墨西哥幾年舉行一次選舉？」

如果說上面的例子有點(diǎn)極端，那么再看一個(gè)更加日常的例子。假設(shè)我們要去進(jìn)行一個(gè)會議總結(jié)，如果我們期望 ChatGPT 可以給到我們良好的回復(fù)，那么我們就不應(yīng)該直接扔進(jìn)去一句話：「幫我總結(jié)這份會議筆記」，而是要將我們的需求講明白：「首先使用簡單一段總結(jié)概括這份會議筆記的主要內(nèi)容，其次將會議中各個(gè)發(fā)言者的核心點(diǎn)以Markdown的格式分條列出，最后，如果有的話，列出每個(gè)發(fā)言者提出的下一步行動計(jì)劃與方案。」

顯然，后者的描述更為清晰，更有可能得到我們想要的答案。OpenAI 在指南中列出了一個(gè) Worse or Better 的示例供大家參考：

同時(shí),OpenAI 給出了一個(gè) Prompt 想要做到表達(dá)清晰細(xì)致應(yīng)該需要包含的內(nèi)容：

• 關(guān)于任務(wù)需求的詳細(xì)信息
• 要求模型扮演的角色
• 使用分隔符清晰的區(qū)分輸入的不同部分
• 指定完成任務(wù)所需的步驟
• 提供示例
• 指定所需的輸出長度

以上述的會議總結(jié)為例，一個(gè)更加完整的 Prompt 可能是：

指令：假設(shè)你是一場會議的會議秘書【指定角色】，首先【任務(wù)拆分】使用簡單一段總結(jié)概括這份會議筆記的主要內(nèi)容，其次將會議中各個(gè)發(fā)言者的核心點(diǎn)以 Markdown 的格式分 3 條【指定長度】列出，最后，如果有的話，列出每個(gè)發(fā)言者提出的下一步行動計(jì)劃與方案【詳細(xì)信息】。請以將總結(jié)插入到下方模板的<>中間。

模板【使用分隔符】：總結(jié):發(fā)言人 1 核心觀點(diǎn):發(fā)言人 2 核心觀點(diǎn):…… 發(fā)言人 1 行動計(jì)劃:發(fā)言人 2 行動計(jì)劃:……

示例【提供示例】：……

提供參考

第二點(diǎn)重要的策略是需要為 ChatGPT 提供參考，通過引導(dǎo) ChatGPT 根據(jù)我們給定的材料撰寫答案，將會使得模型回答更加聚焦于當(dāng)前的問題之上，從而生成更加可靠與準(zhǔn)確的答案。

譬如，如果我們直接詢問模型「知識產(chǎn)權(quán)盜竊的法律后果是什么？」，那么模型可能無法專業(yè)準(zhǔn)確的對問題進(jìn)行回復(fù)，而如果我們給模型提供一篇關(guān)于知識產(chǎn)權(quán)法的論文或發(fā)條，模型就會給出更加專業(yè)的回復(fù)。

指令：參考提供的法律期刊文章與法條，解釋知識產(chǎn)權(quán)盜竊的法律后果。參考：【知識產(chǎn)權(quán)盜竊的法律規(guī)范xxx】

而為了使得模型更好的理解參考文本并且直接引用參考中的原文進(jìn)行回復(fù)，那么就可以對參考引用做出更加細(xì)致的解釋，譬如：

指令：參考下面這份由三個(gè)引號進(jìn)行分隔的文件，請回答知識產(chǎn)權(quán)盜竊的法律后果是什么。請僅僅引用所提供的文件來回答問題，并且引用用于回答問題的相關(guān)段落，如果文件中不包含回答問題所需的信息，則需要寫出「信息不足」。如果找到了相關(guān)答案，則必須注明引文，請使用以下格式引用相關(guān)段落（{“引用”：……}）。參考：【知識產(chǎn)權(quán)盜竊的法律規(guī)范xxx】

任務(wù)拆分

受啟發(fā)來自軟件工程中將復(fù)雜系統(tǒng)分解為一組模塊的組件的思想，任務(wù)拆分也是提示 Prompt 性能的法寶之一，復(fù)雜任務(wù)可以被拆分為簡單任務(wù)的累加，通過解決一系列簡單任務(wù)就可以得到逼近復(fù)雜任務(wù)滿意解的方案。

舉一個(gè)長文檔摘要的例子，對于一個(gè)過長的文本，比如直接讓 ChatGPT 理解一本 300 頁的書籍可能 ChatGPT 無法做到，但是通過任務(wù)分解——遞歸的分別總結(jié)書籍中的每一章，在每一章的總結(jié)之上對書籍內(nèi)容進(jìn)行摘要——就有可能實(shí)現(xiàn)對難任務(wù)的解決。

具體而言，任務(wù)分解的也需要做到：

• 對不同的查詢?nèi)蝿?wù)進(jìn)行分類
• 對長對話進(jìn)行總結(jié)與過濾
• 分段總結(jié)長文檔并遞歸構(gòu)建摘要

而這樣做，可以：

1. 通過專注于復(fù)雜任務(wù)的特定方面以提升準(zhǔn)確率
2. 分解任務(wù)使得子任務(wù)更加便于管理，可以降低錯(cuò)誤率與輸出不相關(guān)內(nèi)容的概率
3. 用戶收到有針對性的分步指導(dǎo)有可能提升用戶體驗(yàn)
4. 子任務(wù)劃分也有可能帶來成本效益

讓它思考

有一個(gè)有意思的點(diǎn)在于，從「Let's think step by step」的實(shí)踐中我們可以發(fā)現(xiàn)，讓模型一步一步的思考而不是直接給出答案可以顯著的提升任務(wù)的準(zhǔn)確率。

以思維鏈技術(shù) COT 的代表應(yīng)用數(shù)學(xué)解題為例，有如下的題目：

土地租用成本為 100 美元/平方英尺，太陽能電池板購買成本為 250 美元/平方英尺，固定投入成本為 10 萬美元，每年的運(yùn)營成本為 10 美元/平方英尺，假設(shè)購買 x 平方英尺的太陽能電池板，請問一年的總成本為多少？

對此，現(xiàn)在,有個(gè)學(xué)生給出的解題步驟為(1)土地成本100x，(2)電池板購買成本250x，(3)運(yùn)營成本10x，(4)固定投入100000，則總成本為 100x + 250x + 100x + 100000 = 450x + 100000。

顯然這名學(xué)生將運(yùn)營成本的 10x 錯(cuò)寫為了 100x，但是如果直接將學(xué)生答案輸入模型，詢問「學(xué)生的解決方案是否正確?」時(shí)，模型卻會錯(cuò)誤認(rèn)為該解法正確:

但是如果「讓模型進(jìn)行思考」，告訴模型首先由模型自己確定一個(gè)解決方案，再將自己的解法與學(xué)生的解法進(jìn)行比較，評估學(xué)生的解法是否正確。在自己完成問題之前，不要確定學(xué)生的解法是否正確。

而如果這樣輸入，模型不僅可以提供正確解法還可以很快發(fā)現(xiàn)學(xué)生的錯(cuò)誤之處:

外部工具

從 AI Agent 的思路出發(fā)，語言模型必然不是萬能的，但是就如同人類一樣，我們可以通過向模型提供其他工具的方式來彌補(bǔ)模型的弱點(diǎn)，其中最經(jīng)典的應(yīng)用莫過于大模型與代碼執(zhí)行引擎的結(jié)合。

所謂讓專業(yè)的人去做專業(yè)的事，直接從自己學(xué)習(xí)與訓(xùn)練的語料中感知到今天的天氣如何可能對大模型而言是無法做到的，但是現(xiàn)在有太多方便調(diào)用的天氣 API 可以很快的幫助模型查詢到今天的天氣，從而使得模型提升自己的能力。

其中典型的應(yīng)用有:

1. 精確求解問題:如果直接問模型一個(gè)加減乘除平方開根號，涉及精確值的問題大模型往往并不擅長，譬如計(jì)算 529 的平方根，模型一開始的輸出是不確定的不精確的，但是如果更改 Prompt 讓模型「編寫并執(zhí)行 Python 代碼來計(jì)算此值」，則會得到更加有據(jù)可依的答案
2. 專用功能問題:如果直接讓模型「向我的朋友發(fā)送關(guān)于我們明天見面的提醒」，那么模型估計(jì)愛莫能助。但是如果讓模型使用 Python 調(diào)用消息 API 發(fā)送消息，那么模型就可以很好的完成消息傳遞這一需求

系統(tǒng)測試

要想真正測試到「好的 Prompt」，那么必然要在一個(gè)全面系統(tǒng)的環(huán)境下對 Prompt 進(jìn)行評估與檢驗(yàn)。很多場景下在一個(gè)孤立的實(shí)例中一個(gè) Prompt 的效果良好并不能代表這個(gè) Prompt 可以推而廣之，因此對 Prompt 的系統(tǒng)測試也是提升 Prompt 能力的關(guān)鍵環(huán)節(jié)之一。

其中，一種方法是假設(shè)我們已經(jīng)知道了正確答案應(yīng)當(dāng)包含的某個(gè)已知事實(shí)，那么就可以使用模型來查詢輸出中包含多少必要的事實(shí)。比如我們假設(shè)存在一個(gè)事實(shí)「阿姆斯特朗是第一個(gè)登上月球的人」，則可以向模型輸入:

以下有三組以引號進(jìn)行分隔的文本，該文本的正確答案是：尼爾·阿姆斯特朗是第一個(gè)登上月球的人，請檢查答案是否直接包含上述信息，對于每組文本，請首先理解文本，提供最接近正確的答案的引文，考慮在不清楚相關(guān)主題的人是否可以直接從該文本推斷出正確答案。

此外,還可以借助「矛盾推斷」，「細(xì)節(jié)補(bǔ)充」等等方式對輸出答案進(jìn)行評估,以確定更好的 Prompt 格式。

總結(jié)

毫無疑問，Prompt 的質(zhì)量顯著影響著大模型的性能,而好的 Prompt 有甚至不僅僅是一種技術(shù)更是一種「藝術(shù)」。作為「人」與「AI」互動的窗口，Prompt 很有可能是未來 AI 時(shí)代我們必須掌握的「第二語言」，而這份 OpenAI 官方的指南就非常類似一本小學(xué)英語入門教科書，感興趣的大家可以去查閱原文瀏覽更加詳細(xì)的例子。

鏈接: https://platform.openai.com/docs/guides/prompt-engineering/six-strategies-for-getting-better-results

除了指南以外，OpenAI 還提供了更加即插即用的各個(gè)場景下的優(yōu)秀 Prompt 范例。

譬如我期望使用大模型完成翻譯任務(wù),那么在 Prompt examples 中搜索翻譯，就可以找到優(yōu)秀的「滿分作文」供我們抄襲(x)借鑒(√)。

除了 Prompt 以外，還有 API 調(diào)用的代碼以供參考，提供了推薦的 temperature 等參數(shù):